Information Mining
Information Mining

Information Mining beschäftigt sich mit dem Extrahieren von
impliziten, noch unbekannten Informationen aus Rohdaten (Data Mining)
bzw. Texten (Text Mining). Dazu sollen Computer in die Lage versetzt
werden, Datenbasen automatisch nach Gesetzmäßigkeiten und Mustern zu
durchsuchen und einen Abstraktionsprozess durchzuführen, der als
Ergebnis aussagekräftige Informationen liefert. Das maschinelle Lernen
stellt dafür die Werkzeuge und Techniken zur Verfügung.
Inhalte im Einzelnen:
- Ein- und Ausgabe
- Algorithmen: Klassifikation, nummerische Vorhersage, Assoziationen, Clustering
- Evaluierung von Data-Mining-Methoden
- Implementierung: Maschinelles Lernen in der Praxis
- Aufbereitung der Ein- und Ausgabe
- Data Mining für zeitabhängige Daten
- Data Mining für soziale Netze
- Text-Clustering: flaches/hierarchisches Clustering, Evaluierung, Optimum Clustering Framework
- Text-Klassifikation

Studierende sollen die theoretischen Grundlagen von Information Mining-Methoden
verstehen, diese Methoden beherrschen, entsprechende
Evaluierungsverfahren anwenden können sowie
Möglichkeiten und Grenzen solcher Methoden beurteilen können.

- Ian Witten, Eibe Frank, Mark Hall: Data Mining: Practical Machine Learning Tools and Techniques, Morgan Kaufman, 2011.
- Gary Miner, John Elder IV, Thomas Hill, Robert Nisbet, Dursun Delen, Andrew Fast: Practical Text Mining and Statistical Analysis for Non-structured Text Data Applications. Academic Press, 2012.
- Trevor Hastie , Robert Tibshirani, Jerome Friedman: The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer, 2009
- Christopher D. Manning, Prabhakar Raghavan and Hinrich Schütze, Introduction to Information Retrieval, Cambridge University Press. 2008.

Information Mining deals with the extraction on implicit information from raw data (Data Mining) or text (Text Mining). The goal is the development of methods for analyzing databases and discovering useful information by means of abstraction. For this pupose, machine learning methods are applied.
Contents:
- Input and Output
- Algorithms: Classification, Numeric Prediction, Associations, Clustering
- Evaluation of Data Mining Methods
- Implementations: Real machine learning schemes
- Transformations: Engineering the input and output
- Data Mining on Time-dependent Data
- Dat Mining for Social Networks
- Text clustering: flat/hierarchic Clustering, Evaluation, Optimum Clustering Framework
- Text classification

Students will understand the theoretic concepts underlying information mining methods, be able to apply these methods and evaluate the outcome. Furthermore, they will understand the possibilities and limitations of these methods.

- Ian Witten, Eibe Frank, Mark Hall: Data Mining: Practical Machine Learning Tools and Techniques, Morgan Kaufman, 2011.
- Gary Miner, John Elder IV, Thomas Hill, Robert Nisbet, Dursun Delen, Andrew Fast: Practical Text Mining and Statistical Analysis for Non-structured Text Data Applications. Academic Press, 2012.
- Trevor Hastie , Robert Tibshirani, Jerome Friedman: The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer, 2009
- Christopher D. Manning, Prabhakar Raghavan and Hinrich Schütze, Introduction to Information Retrieval, Cambridge University Press. 2008.